PentestGPT

Demonstração

Instalação

Assista no YouTube

PentestGPT em Ação

Assista no YouTube

Novidades na v1.0 (Atualização Agentiva)

• Pipeline Multi-Estágio - O agente trabalha em fases estagiadas (reconhecimento → exploração → passo a passo para CTF; descoberta de ativos → identificação de vulnerabilidades → relatório para pentests), alimentando as descobertas de cada estágio no próximo.
• Agente Autônomo - Orienta o Claude Code ou Codex para executar ferramentas e raciocinar sem intervenção humana.
• Persistência de Sessão - Salvar e retomar sessões de teste de penetração.

O pipeline autônomo de CTF é plugável em backend para Claude Code e Codex. O modo interativo modernizado legado (pentestgpt-legacy) suporta um conjunto mais amplo de provedores: OpenAI, Anthropic, Google Gemini, DeepSeek, xAI, Qwen, Moonshot, e Ollama local. Veja Modo Multi-LLM Interativo (legado modernizado).

Funcionalidades

• Solucionador de Desafios com IA - Utiliza raciocínio avançado de LLM para realizar testes de penetração e CTFs
• Passo a Passo ao Vivo - Acompanha os passos em tempo real enquanto o agente trabalha nos desafios
• Suporte a Múltiplas Categorias - Web, Criptografia, Reversing, Forense, PWN, Escalação de Privilégio
• Feedback em Tempo Real - Observe a IA trabalhar com atualizações de atividade ao vivo
• Arquitetura Extensível - Design limpo e modular pronto para melhorias futuras

Início Rápido

Pré-requisitos

• Python 3.12+
• uv - Gerenciador de pacotes Python
• Claude Code CLI (claude) - instalado e autenticado para execuções locais do Claude. Veja a documentação do Claude Code
• Codex CLI (codex) - instalado e autenticado para execuções locais do Codex. O fluxo Docker abaixo inclui ambos os CLIs.

Instalação

git clone https://github.com/GreyDGL/PentestGPT.git
cd PentestGPT
make install    # runs uv sync

Referência de Comandos

Uso

# Executar contra um alvo (modo CTF por padrão)
pentestgpt --target 10.10.11.234

# Com contexto de desafio
pentestgpt --target 10.10.11.50 --instruction "Site WordPress, foco em vulnerabilidades de plugins"

# Modo teste de penetração (descoberta de ativos → vulnerabilidades → relatório)
pentestgpt --target 10.10.11.234 --mode pentest

# Listar sessões salvas anteriormente
pentestgpt --list-sessions

O agente trabalha através de um pipeline multi-estágio, alimentando as descobertas de cada estágio no próximo — reconhecimento → exploração → passo a passo para CTF, descoberta de ativos → identificação de vulnerabilidades → relatório para pentest.

Executar no Docker (instale uma vez, faça login uma vez)

Uma imagem autocontida agrupa a ferramenta + os CLIs Claude Code e Codex. Você faz login uma vez e as sessões persistem em volumes nomeados — sem novo login em execuções posteriores.

make docker-build        # build the tool image
make docker-login        # ONE-TIME, idempotent: checks logins, logs in only what's missing
make docker-auth-status  # check both are logged in (ROUNDTRIP=1 for a live 1-token check)

# Run the pipeline against a target (any backend / model / mode):
make docker-run TARGET=http://127.0.0.1:8000 BACKEND=codex MODEL=gpt-5.5 MODE=ctf
make docker-run TARGET=10.10.11.234         BACKEND=claude MODEL=opus    MODE=pentest

make docker-login faz login no Claude (setup-token → token armazenado no volume) e no Codex (seu próprio codex login no container, callback OAuth encaminhado via socat — não semeado, pois os tokens de atualização do ChatGPT são de uso único). É idempotente: reexecutar pula o que ainda é válido. Os logins persistem entre recriações de container; make docker-down os mantém, make docker-nuke remove os volumes de login (para forçar um novo login / girar um token). Design + detalhes: docs/docker-dev-plan.md.

Modo Multi-LLM Interativo (legado modernizado)

O PentestGPT clássico, com humano no loop, do artigo USENIX 2024 é preservado e modernizado como pentestgpt-legacy. Ele executa três sessões de LLM cooperantes — raciocínio / geração / análise — que mantêm uma Árvore de Tarefas de Pentest (PTT) enquanto você conduz a sessão interativamente (next, more, todo, discuss). O pipeline autônomo de estágios fixos suporta backends Claude e Codex; este modo legado conversa nativamente com muitos provedores via seus SDKs oficiais.

Configurar provedores

Defina uma chave de API para qualquer provedor que deseje usar (no seu ambiente ou .env — veja .env.example). Apenas os provedores que você configurar serão habilitados.

OPENAI_API_KEY=...        ANTHROPIC_API_KEY=...     GEMINI_API_KEY=...   # ou GOOGLE_API_KEY
DEEPSEEK_API_KEY=...      GROK_API_KEY=...          QWEN_API_KEY=...     KIMI_API_KEY=...

Executar

# Selecionar automaticamente os melhores modelos disponíveis para cada sessão
pentestgpt-legacy

# Escolher modelos por sessão
pentestgpt-legacy --reasoning-model claude-opus-4-8 --parsing-model gemini-3.5-flash

# Modelo local via Ollama (compatível com OpenAI)
pentestgpt-legacy --reasoning-model ollama:qwen3 --base-url http://localhost:11434/v1

# Listar todos os modelos suportados (mostra quais provedores estão configurados)
pentestgpt-legacy --list-models

# Teste de ida e volta ao vivo de cada modelo configurado e imprimir uma matriz de aprovação/reprovação
pentestgpt-legacy --smoke-test

Modelos suportados (verificados na web em junho de 2026)

pentestgpt-legacy --list-models sempre renderiza o registro ao vivo. Reexecute --smoke-test após mudanças nos IDs dos modelos. Instantâneo atual:

O registro está em pentestgpt_legacy/llm/registry.py (a única fonte da verdade). Adicionar um modelo é uma entrada ModelSpec; provedores compatíveis com OpenAI reutilizam um conector.

Telemetria

O PentestGPT coleta dados de uso anônimos para ajudar a melhorar a ferramenta. Esses dados são enviados ao nosso projeto Langfuse e incluem:

• Metadados da sessão (tipo de alvo, duração, status de conclusão)
• Padrões de execução de ferramentas (quais ferramentas são usadas, não os comandos reais)
• Eventos de detecção de flag (que uma flag foi encontrada, não o conteúdo da flag)

Nenhum dado sensível é coletado - saídas de comandos, credenciais ou valores reais de flag nunca são transmitidos.

Desativar

# Via flag de linha de comando
pentestgpt --target 10.10.11.234 --no-telemetry

# Via variável de ambiente
export LANGFUSE_ENABLED=false

Histórico de Benchmark

O PentestGPT alcançou uma taxa de sucesso de 86,5% (90/104 benchmarks) em um experimento do conjunto de validação XBOW em dezembro de 2025. Esse número é um resultado histórico de pesquisa, não uma garantia de regressão do pentestgpt-agent atual.

Os harnesses XBOW e arquivos de resultados são mantidos fora deste repositório de produto como artefatos de pesquisa apenas para referência. O CLI PentestGPT suportado, Makefile, CI e runtime Docker não expõem um executor XBOW. Uma avaliação futura pode reutilizar esse corpus através de um adaptador de propriedade separada, sem torná-lo uma dependência do produto.

Citação

Se você usar o PentestGPT em sua pesquisa, por favor cite nosso artigo:

@inproceedings{299699,
  author = {Gelei Deng and Yi Liu and Víctor Mayoral-Vilches and Peng Liu and Yuekang Li and Yuan Xu and Tianwei Zhang and Yang Liu and Martin Pinzger and Stefan Rass},
  title = {{PentestGPT}: Evaluating and Harnessing Large Language Models for Automated Penetration Testing},
  booktitle = {33rd USENIX Security Symposium (USENIX Security 24)},
  year = {2024},
  isbn = {978-1-939133-44-1},
  address = {Philadelphia, PA},
  pages = {847--864},
  url = {https://www.usenix.org/conference/usenixsecurity24/presentation/deng},
  publisher = {USENIX Association},
  month = aug
}

Licença

Distribuído sob a Licença MIT. Veja LICENSE.md para mais informações.

Aviso: Esta ferramenta é apenas para fins educacionais e testes de segurança autorizados. Os autores não aprovam qualquer uso ilegal. Use por sua conta e risco.

Agradecimentos

• Pesquisa apoiada pela Quantstamp e NTU Singapura

(voltar ao topo)